Instagram或Facebook等社交网络中的图片通常通过应用一些过滤器进行编辑。基于卷积神经网络的视觉理解模型可用于过滤器去除任务。然而，目前的研究试图对应用于图像的特定过滤器进行分类或学习应用的变换参数，并且无法恢复原始图像。

最近的一项研究提出了一种新的任务方法。建议将视觉效果视为风格信息，并使用风格迁移方法。该架构具有编码器-解码器结构，可对编码器中的样式信息进行归一化。未经过滤的图像是在对抗性学习的帮助下生成的。

此外，还介绍了一个包含600张图像及其过滤版本的数据集。实验表明，该模型在很大程度上消除了外部视觉效果。

社交媒体图像通常通过过滤进行转换，以获得更美观的外观。然而，CNN在社交媒体图像的视觉分析中通常无法将图像及其过滤版本解释为相同。我们引入了Instagram过滤器去除网络(IFRNet)来减轻社交媒体分析应用程序的图像过滤器的影响。为了实现这一点，我们假设应用于图像的任何过滤器都会向其注入一条额外的样式信息，并且我们将此问题视为反向样式转移问题。通过在编码器的每个级别中自适应归一化外部样式信息，可以直接去除过滤的视觉效果。实验表明，IFRNet在定量和定性比较中优于所有比较方法，并且具有很大程度去除视觉效果的能力。此外，我们展示了我们提出的模型的过滤器分类性能，并分析了所有比较方法未过滤的图像的主色估计。